鉴于边坡系统影响因素之间的高度非线性和不确定性,融合RS-GP模型的优势,提出了依据边坡稳定性影响因素类比计算边坡安全系数的方法.该方法通过学习样本的数据特征分析、计算属性的重要性及约简规则,降低了遗传规划预测模型的结构规模.人工神经网络(ANN)模型与RS-GP模型计算结果比较表明:该方法具有计算速度快、容错能力强及精度高等特点

变形回弹作为金属板料成形的主要缺陷之一,如何提高变应变路径条件下的回弹预测精度一直是研究者们面临的难题.本文针对镁合金变形特点,提出了同时考虑同向硬化、动态硬化和屈服圆畸变的本构模型.以0.8 mm厚AZ31B镁合金板料为研究对象,施加不同预拉伸后进行弯曲变形试验,观察了不同预变形对回弹规律的影响.同时结合有限元分析ABAQUS-Explicit (Vumat)和ABAQUS-Implicit (Umat)对板料的变形及回弹过程进行模拟仿真,对比试验与模拟结果,验证动态硬化对于镁合金板料变形回弹的重要影响

本文旨在研究夹杂-细晶粒区-鱼眼诱发疲劳失效的超长寿命预测模型.基于Cr-Ni-W合金钢疲劳试验结果,结合局部应力-寿命法和位错-能量法,分别构建了局部裂纹萌生寿命模型(LCIL)和考虑夹杂及细晶粒区影响的裂纹萌生寿命模型(IFCIL),并与Tanaka-Mura模型(T-M)进行了对比分析.其次,分别对细晶粒区内的小裂纹扩展行为和细晶粒区外鱼眼内的长裂纹扩展行为进行建模,最终形成了包含裂纹萌生和扩展在内的全寿命预测模型.结果表明,考虑夹杂及细晶粒区影响的裂纹萌生寿命模型(IFCIL)有较高的预测精度;对应细晶粒区的裂纹萌生寿命几乎等同于全寿命;裂纹扩展寿命仅占据全寿命很小的一部分;预测结果全部处于2倍偏差以内,即全寿命模型可有效地用于夹杂-细晶粒区-鱼眼诱发失效的超长寿命预测

宝钢300t转炉炉壳使用中出现严重变形,危及生产.通过对炉壳变形过程监测、有限元炉壳应力分析、炉壳材料蠕变性能实验等综合技术手段,采用修正的θ-Conept Project方法成功地预测了转炉炉壳的残余使用寿命,为企业的生产计划决策提供了有效的技术支持

心理学的研究通常要达到以下一些目的:1、 描述,对所要究问题的表象予以翔实的陈述 或记录,作为进一步研究的基础;2、解释, 根据究资料分析发现各因素间的相关关系或 因果关系,籍以解释问题表象背后的真相;3 、预测,根据对问题原因的相关关系或因果关 系的了解,预测将来在同类情境下问题重复发 生的可能性;

作为炼钢厂的关键设备，风机担负着转炉除尘和煤气回收的重要任务，实现风机剩余使用寿命的准确预测具有重要的实际意义.通过对邯郸某炼钢厂风机振动数据的分析，建立了基于Wiener过程的状态退化模型，在首达时间的意义下，推导出风机剩余使用寿命的概率密度函数的解析表达式，提出了一种基于极大似然估计的参数实时估计方法，从而实现风机剩余使用寿命的在线实时预测.实验结果表明，相对于文献中的方法，本文所提出的预测方法可以得到更高的预测精度和较低的预测不确定性

针对BP神经网络训练时间长的问题,采用基于案例推理的方法预测精炼开始钢水温度.首先,应用层次分析法确定影响精炼开始钢水温度的各个因素的权值,并使用灰色关联度来计算案例的相似度,克服了传统相似度计算方法在案例信息不完整的情况下无法获取准确结果的缺点.然后,提出一个包含类选、粗选、精选和择优的四步检索方法,大大缩短了检索时间.最后,实验比较了人工神经网络和基于案例推理两种方法,结果表明基于案例推理比人工神经网络具有更高的命中率

利用青海省安全监督管理局数据库近六年以来矿山事故数据,采用信息扩散理论,从矿山事故概率和矿山事故人员死亡概率两个方面对高海拔、寒、旱地区矿山事故进行风险分析,建立了适合本地区特殊要求的矿山事故分析模型.分析模型、参数和预测结果均与实际情况吻合,说明应用信息扩散对高海拔、寒、旱地区矿山事故进行风险分析,能够预测出该地区矿山企业年均发生事故的概率及矿山事故人员死亡概率

利用装煤量850kg的XK型煤自然发火实验台,真实地模拟了煤的自燃过程.根据实验测定的温度场和气体浓度场变化,结合流体力学和传热学理论,推算出不同温度时煤氧复合的耗氧速度、放热强度,为煤自燃性的定量分析及自然发火预测提供理论依据.并根据煤自身的氧化放热性能及其所处的蓄热环境,应用热平衡法推导出煤自燃极限参数的计算方法,为煤自燃预测及防治提供了量化的理论判据

通过对某钢厂脱磷转炉炉渣磷酸盐容量计算和分析并结合前人的研究成果,得出实测炉渣磷酸盐容量与炉渣中碱性氧化物含量、炉渣光学碱度、炉渣中全铁含量和温度的变化关系,并结合生产数据拟合出炉渣的组成与炉渣磷酸盐容量的表达式.将文献报道的不同炉渣磷酸盐容量模型的计算值与实测值进行了对比和分析.基于共存理论建立了本渣系炉渣磷酸盐容量预测模型,误差分析表明该预测模型准确可信,将为现场生产提供理论指导